×

利用扩张卷积网络自动提取细胞核。 (英语) Zbl 1466.62413号

小结:病理学检查已手工完成,通过肉眼检查苏木精和伊红(H&E)染色图像。然而,这个过程是劳动密集型的,容易发生大的变化,并且在肿瘤的诊断中缺乏可重复性。我们的目标是开发一个自动的工作流程,以提取在H&E染色图像的数字渲染中描绘的癌细胞中发现的不同细胞核。对于给定的图像,我们提出了一种基于扩展卷积的语义像素分割技术。我们的扩展卷积网络(DCN)的体系结构基于SegNet,一种深卷积编译码体系结构。对于编码器,去除SegNet中的所有max pooling层,用膨胀因子增加的扩张卷积层代替卷积层,以保持图像分辨率。对于解码器,去除所有的最大非冷却层,并用膨胀因子较小的扩张卷积层代替卷积层,以消除网格伪影。我们证明了扩张卷积在从纹理图像中提取信息方面具有优势。我们在合成数据集和H&E染色图像的公共可用数据集上测试了我们的DCN网络,取得了比现有技术更好的结果。

理学硕士:

第62页 统计学在生物学和医学科学中的应用;荟萃分析
62小时30分 分类和区分;聚类分析(统计方面)
62小时35分 多元分析中的图像分析
68吨10 模式识别,语音识别
PDF格式 BibTeX公司 XML 引用
全文: 内政部

参考文献:

[1] 五、 Badrinarayanan,A.Kendall和R.Cipolla,Segnet:用于图像分割的深度卷积编解码器体系结构,IEEE Trans。肛门模式。机器。内尔。,39(2017年),2481-2495。
[2] 五十、 陈,G.帕潘德里欧,I.Kokkinos,K.Murphy和A.L.Yuille,Deeplab:用深卷积网、阿托鲁斯卷积和完全连接的CRF进行语义图像分割,IEEE Trans。肛门模式。机器。内尔。,第40期(2018年),第834-848页。
[3] R、 Hamaguchi,A.Fujita,K.Nemoto,T.Imaizumi和S.Hikosaka,有效利用扩张卷积分割遥感图像中的小物体实例,2018年IEEE计算机视觉应用冬季会议(WACV),2018年,网址http://arxiv.org/abs/1709.00179。
[4] N、 日本;S、 《班级不平衡问题:系统研究》,智能数据分析,6429-449(2002)·邮编:1085.68628
[5] M、 荣格;M、 Kang,图像恢复和分割的有效非光滑非凸优化,科学计算杂志,62336-370(2015)·Zbl 1320.65035
[6] A、 可汗;N、 拉吉普特;D、 叛国者;D、 Magee,使用图像特定颜色反褶积实现数字病理组织学图像中色斑正常化的非线性映射方法,IEEE Trans。生物医学工程,611729-1738(2014)
[7] D、 P.Kingma和J.L.Ba,Adam:随机优化方法,第三届学习表征国际会议,ICLR 2015,加利福尼亚州圣地亚哥,美国,2015年5月7日至9日,会议记录,2015年,网址http://arxiv.org/abs/1412.6980。
[8] A、 Krizhevsky,I.Sutskever和G.E.Hinton,基于深度卷积神经网络的图像网络分类,中华医学会通讯,2017,1-9,网址http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-consolutional-neural-networks.pdf。
[9] N、 库马尔;R、 维尔玛;S、 夏尔玛;S、 巴尔加瓦;A、 瓦哈丹;A、 Sethi,计算病理学广义核分割的数据集和技术,IEEE Trans。医学图像。,361550-1560(2017年)
[10] Y、 乐昆;五十、 泊头;Y、 本吉奥;P、 Haffner,基于梯度的学习应用于文档识别,IEEE论文集,862278-2324(1998)
[11] C、 刘;M、 天然气;T、 曾,加权变分模型在医学图像分割中的应用,模式识别,76367-379(2018)
[12] MATLAB,版本9.5(R2018b),MathWorks公司,马萨诸塞州纳蒂克,2018年。
[13] H、 Noh,S.Hong和B.Han,语义分割的学习反褶积网络,载于2015年IEEE国际计算机视觉会议(ICCV),ICCV’15,IEEE计算机学会,华盛顿特区,2015,1520-1528。
[14] N、 钱,关于梯度下降学习算法中的动量项,神经网络:国际神经网络学会官方期刊,12145-151(1999)
[15] E、 莱茵哈德;M、 阿迪克明;B、 古奇;P、 雪莉,图像间的颜色转换,IEEE计算机。图表。申请。,第21、34-41页(2001年)
[16] O、 Ronneberger,P.Fischer和T.Brox,U-net:生物医学图像分割的卷积网络,医学图像计算和计算机辅助干预(MICCAI),LNCS第9351卷,Springer,2015234-241,网址:http://lmb.informatik.uni-freiburg.de/Publications/2015/RFB15a,(可在arXiv:1505.04597[cs.CV]上找到)。
[17] E、 Shelhamer,J.Long和T.Darrell,《语义分割的完全卷积网络》,IEEE Trans。肛门模式。机器。内尔。,第39卷(2017年),640-651页。
[18] K、 Simonyan和A.Zisserman,用于大规模图像识别的非常深的卷积网络,第三届学习表征国际会议,ICLR 2015,加利福尼亚州圣地亚哥,美国,2015年5月7日至9日,会议记录,2015年,网址http://arxiv.org/abs/1409.1556。
[19] F、 于和文,扩张卷积的多尺度上下文聚合,CoRR,abs/1511.07122。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。